top of page

Norman Fenton - analýza účinnosti vakcín a statistik bezpečnosti (Velká Británie)

Norman Fenton - matematik, profesor Řízení rizikových informací na Queen Mary University of London a ředitel společnosti Agena, která se specializuje na řízení rizik kritických systémů.

Narazil jsem na jedno velice zajímavé video. Původně jsem si ho pustil "na pozadí" při práci, nicméně pár věcí mě zaujalo natolik, že jsem si video pustil ještě jednou pořádně. A pak ještě asi 6x, protože ač se to může na první pohled jevit banálně, tak profesor Fenton jde k podstatě věci při vytváření statistik (nejen covidových). Následně jsem udělal zestručněný výtah z této přednášky, protože může objasnit spoustu zmatků, které vznikají při argumentaci s čísly ať u zastánců očkování, tak u odpůrců. Pokud vás statistiky nebaví, tak se podívejte na poslední 2 grafy a jejich tabulky 😉


Upozornění: metodiky získávání a interpretace dat v oficiálních grafech se mohou mezi Británií a Českou republikou lišit.


Na oficiálních grafech srovnává pan profesor počty nemocných lidí s Covidem (první graf; lidé se symptomy), s prostředním grafem zobrazujícím počty pozitivně testovaných lidí a třetím grafem zobrazujícím celkový počet testů.


Je vidět korelace mezi počty testů a počty pozitivně testovaných, která ale nemá žádný vliv na reálný počet lidí se symptomy. Bohužel lockdown se vyhlašoval na základě počtu pozitivně testovaných, ne lidí s reálnými zdravotními problémy způsobenými Covidem.



Závěr prof. Fentona je, že vzhledem k tomu, že se k prokazování hospitalizací a úmrtí na Covid-19 používají PCR testy a pozitivně testovaní jsou vydáváni za "nakažené" resp. "nemocné", jsou tato data naprosto neprůkazná.


Dále analyzuje falešně pozitivní výsledky ve studii, kdy bylo 5000 studentů opakovaně testováno v 6-týdenním intervalu. Z 10 394 testů bylo pouze 43 pozitivních, a z těchto testů se jako falešně pozitivní ukázalo 36, tzn. 84 % testů bylo falešně pozitivních. Poukazuje také na rozdíly v přístupu k testování očkovaných a neočkovaných - očkovaní jsou testováni minimálně, zatímco neočkovaní jsou testováni neustále (data z UK a Izraele). Když se data přepočítala, tak se ukázalo, že počet pozitivních je vyšší u očkovaných ve věkových skupinách nad 30 let.

Bohužel se ve videu nezabývá nezvykle vysokým počtem pozitivit nevakcinovaných do 18 let, kde by mne opravdu zajímal důvod takto vysokého čísla - 3.013,6. Testování ve školách?




Modelování průběhů úmrtí očkovaných a neočkovaných


Profesor Fenton dále uvádí teoretický model průběhů úmrtí, kdyby vakcíny fungovaly tak, jak je nám tvrzeno, tj. počet úmrtí neočkovaných by byl zhruba dvojnásobný. Na druhé straně se počítá s ostatními úmrtími, kde u očkovaných je počítáno s cca 5% nadúmrtí v důsledku vedlejších účinků.


Když se tyto 2 grafy spojí, dostáváme teoretické poměry úmrtí v očkované a neočkované populaci za předpokladu, že vakcíny fungují tak, jak je slibováno.

Výhodou zde je to, že nemusíme rozlišovat, co je úmrtí na covid nebo s covidem a co je příčinou ostatních úmrtí. Podobné poměry úmrtí očkovaných a neočkovaných bychom měli vidět v následujících grafech, nicméně realita je značně odlišná.


Na datech ze studie Pfizeru ukazuje, že ani v této studii nebylo moc důvodů k radosti, když v placebo skupině bylo méně úmrtí, než ve vakcinované skupině (15 ve skupině neočkovaných vs. 21 ve skupině očkovaných)


Pozn.: Problém je už v původních studiích účinnosti vakcín, kdy byli lidé s vážnými následky po očkování vyřazeni ze studie. Nejznámější je pravděpodobně příběh Maddie de Garay - dívky, která byla v testovací skupině dětí do 13 let a po druhé dávce ochrnula od pasu dolů, ztratila paměť, má problémy s dýcháním a dodnes je na vozíku. Pfizer ji ze studie vyřadil pro "bolesti břicha" 🤷🏼‍♂️ Na tomto obrázku je vidět, že ve skupině očkovaných byla 4násobná úmrtnost na zástavu srdce, nicméně data jsou statisticky neprůkazná, viz. následující kapitola.


Simpsonův paradox


Dále prof. Fenton upozorňuje na tzv. Simpsonův paradox při (ne)zohledňování věkových skupin, který způsobuje rozdíly v celkových statistikách a statistikách pro jednotlivé věkové skupiny.


V první tabulce s absolutními počty úmrtí je 3x vyšší počet úmrtí u očkované skupiny. Když se ale podíváme na jednotlivé věkové skupiny, tak ve skupině nad 50 let je počet zemřelých neočkovaných téměř 4x vyšší než v očkované skupině. Ve skupině do 50 let je také počet zemřelých očkovaných nepatrně vyšší než u očkovaných.



Srovnání úmrtností očkovaných a neočkovaných


V následujících grafech z ONS (Office for National Statistics) ukazuje prof. Fenton zajímavé "špičky" v grafech neočkovaných, které korelují se začátkem očkování pro danou věkovou kategorii:




Zde pan profesor nijak nehodnotí, co by mohlo být příčinou těchto špiček - zda za to může vakcinace (14 dní po očkování je člověk považován za neočkovaného) nebo zda za to mohou jiné faktory.


Na dalším grafu, který zobrazuje pouze necovidová úmrtí, vidíme velice podobný průběh:


U necovidových úmrtí není jediný důvod pro to, aby byly počty úmrtí očkovaných nižší než neočkovaných. Kdyby byly úmrtnosti stejné, průběhy by se prolínaly resp. probíhaly blízko sebe. Pokud by vakcína způsobovala úmrtí, byla by oranžová čára nad modrou.


Ze zdrojových tabulek zjistil, že je dost velká chyba v počtech lidí - v tabulce po několik měsíců "přebývalo" přes 10.000 lidí:


Proč? Vysvětlíme si dále :)


Model vakcinace


Profesor Fenton si namodeloval populaci o 1.000.000 lidí s konstantní úmrtností v očkované i neočkované skupině (jako by očkovaní byli očkováni placebem). To znamená, že lidé v obou skupinách umírali úplně stejně nezávisle na tom, zda byli očkovaní nebo neočkovaní (tento graf ve videu není).


Úmrtnost očkovaných a neočkovaných je v modelu stejná, takže se průběhy překrývají


Teď přichází ta nejdůležitější část 😉


Všechna data zůstanou stejná (celková populace, očkovaná i neočkovaná populace, počty úmrtí) - vše vypočítané pro úmrtnost 15 na 100.000 obyvatel. Jediné, co uděláme, je, že z těchto konstantních hodnot budeme vypočítávat úmrtnost s týdenním zpožděním, tzn. počty "reportovaných" úmrtí posuneme o 1 týden. V prvním týdnu tedy nemáme z čeho vypočítat úmrtnost.



Už z tabulky je vidět, že data úmrtnosti neočkovaných dělají podivné věci, ale v grafu to vypadá ještě zajímavěji:


Z grafu by vyplývalo, že placebo vakcína skvěle funguje u očkovaných a neočkovaní měli obří nárůst úmrtí. To ale není pravda, protože absolutní čísla proočkovanosti a počtu úmrtí se nezměnila! Změna je pouze v tom, že se výsledky reportovaly s týdenním zpožděním.


Grafy s očištěnými daty

Tady bohužel pan profesor neuvádí přesný postup, jak k upravenému grafu dospěl, takže to nebudu hodnotit. Využil historická data úmrtnosti (protože graf ONS uvádí úmrtnost z jiných příčin než Covid) a dle nich přepočítal hodnoty. Graf vpravo by měl ukazovat reálný průběh úmrtí ve vakcinované a nevakcinované části populace.


Závěry profesora Fentona


  • Všechna data, kde je dáno rovnítko mezi "nakažený" a "pozitivní PCR test", jsou snadno manipulovatelná a potenciálně zavádějící

  • Studie účinnosti vakcín jsou obecně chybné, protože se spoléhají na to, zda se osoba stane "nakaženým".

  • Nejjednodušší a zároveň nejobjektivnější metodou hodnocení poměru rizik a přínosů vakcín proti Covidu je srovnání úmrtí ze všech příčin mezi očkovanými a neočkovanými, kde očkovaným se rozumí člověk s alespoň jednou dávkou.

  • (kritika nesprávnosti dat z ONS - Office for National Statistics)

  • Zjištěné nesprávné údaje by mohly být vysvětleny chybnou klasifikací, opožděným hlášením a/nebo podhodnocením podílu neočkovaných.

  • Data neposkytují žádné reálné důkazy o tom, že by výhody vakcín vyvažovaly rizika (pozor, zde se nesnaží tvrdit cokoliv o tom, že by vakcíny byly neúčinné - pouze poukazuje na to, že nemáme solidní data, která by to jednoznačně prokazovala)







49 zobrazení0 komentářů

Nejnovější příspěvky

Zobrazit vše

Comments


Příspěvek: Blog2_Post
bottom of page